METODOLOGI PENELITIAN

Penelitian ini mengenai pemodelan social network antar aktor dalam rumah

Pada bab ini menjelaskan terkait metodologi yang akan digunakan sebagai panduan untuk menyelesaikan penelitian tugas akhir ini.

Metodologi Penelitian 3.1.

Diagram Metodologi dari Tugas Akhir ini dapat dilihat pada gambar 3.1

Tahap Perancangan 3.2.

Identifikasi Masalah 3.2.1.

Sebelum melakukan studi pustaka dilakukan penentuan topik permasalahan yang diambil. Pada penelitian tugas akhir ini penulis mengusulkan topik mengenai pemodelan dan analisis pola pekerjaan antar aktor rawat inap penyakit dalam RS XYZ. Selanjutnya dilakukan identfikasi masalah mengenai analisis kinerja para aktor tersebut dalam menangani pasien.

Studi Literatur 3.2.2.

Studi Pustaka didapatkan dari pengumpulan referensi diantaranya dari narasumber, buku dan penelitian sebelumnya. Studi pustaka dilakukan untuk lebih memahami dasar-dasar teori yang berhubungan dengan permasalahan. Studi pustaka dapat membantu peneliti dalam mencari sumber yang dapat dipercaya dan latar belakang permasalahan yang diangkat dalam penelitian tugas akhir.

Gambar 3. 1 Metode Pengerjaan Penelitian

Observasi 3.2.3.

Sebelum melakukan pengumpulan data, terlebih dahulu harus diketahui data yang seperti apa yang akan

diambil dari Sistem Informasi Rumah Sakit. Dimana data yang dibutuhkan adalah data yang memiliki id, event, aktivitas, originator dan timestamp. Selain itu juga akan dilakukan pemahaman terkait studi kasus yang diambil yaitu bagian rawat inap diabetes.

Ekstraksi Data 3.2.4.

Setelah mengetahui dasar-dasar penelitian, maka dilakukan ekstraksi data untuk proses selanjutnya. Data diambil dari Sistem Informasi Manajemen Rumah Sakit bagian Billing melalui Departemen IT. Dari proses pengumpulan data ini didapatkan data mentah yaitu berupa id kunjungan, tanggal kunjungan, id pasien, tanggal lahir pasien, jenis kelamin pasien, id dokter, keterangan ditambah dengan data mengenai perlakuan medis pasien. Pengumpulan data ini yang nantinya akan dilakukan proses selanjutnya, yaitu menstrukturkannya.

Strukturisasi Data 3.2.5.

Setelah mendapatkan data mentah, kemudian dilakukan strukturisasi data. Strukturisasi data merupakan proses pengolahan data mentah menjadi event log. Event log yang terbentuk yaitu ID berupa ID Pasien, event berupa perlakuan aktor, aktivitas berupa penyakit, timestamp berupa tanggal dan jam kunjungan dan originator berupa aktor. Strukturisasi data akan dilakukan menggunakan Microsoft Excel dan software disco. Event log ini nantinya yang akan dibutuhkan untuk membuat model yang akan dianalisis.

Process Mining 3.2.6.

Setelah mendapatkan event log, maka dari data tersebut dapat dibuat pemodelan proses bisnisnya melalui Process Mining. Pembuatan model ini dilakukan dengan software ProM 6.5.1. menggunakan algoritma Social Network Miner. Keluaran dari proses ini adalah grafik Social Network.

Evaluasi Model 3.2.7.

Evaluasi dilakukan terhadap model yang didapatkan dari proses pemodelan sebelumnya, sehingga evaluasi yang dilakukan terhadap petri net maupun model social network hingga dihasilkan model yang fit (cocok) untuk dilakukan langkah selanjutnya yaitu analisis.

Analisis 3.2.8.

Dari hasil kedua proses tersebut, dilakukan analisis pada social network antar aktor yang didapat dari event log yang direkam oleh Sistem Informasi Rumah Sakit. Analisis dilakukan untuk mengetahui bagaimana kinerja dan hubungan setiap aktor yang ada di rawat inap penyakit dalam RS XYZ serta hubungan dokter terhadap lab yang ada. Analisis kinerja aktor ini dilihat dari seberapa sering aktor berinteraksi dengan aktor lain.

Penarikan Kesimpulan 3.2.9.

Langkah terakhir adalah menyimpulkan dari hasil analisis model yang didapat dari proses sebelumnya, sehingga dapat ditarik kesimpulan yang dapat menjawab pokok permasalahan dari penelitian Tugas Akhir.

Penyusunan Laporan Tugas Akhir 3.2.10.

Setelah seluruh proses dalam penelitian mengenai analisa kinerja mahasiswa untuk tiap angkatan dilihat dari pola pengambilan mata kuliah, selanjutnya melakukan penyusunan laporan tugas akhir.

Tabel 3. 1 Input dan Output Metodologi

Input Proses Output

Identifikasi masalah

Latar Belakang, Rumusan Masalah, Tujuan, dan Manfaat

Penelitian Studi Literatur Dasar Teori dan

metode yang akan digunakan Latar Belakang dan

metode yang akan

digunakan ^Observasi

Atribut data yang dibutuhkan dalam catatan kejadian, pengetahuan seputar

bagian rawat inap diabetes Atribut data yang

dibutuhkan dalam

catatan kejadian ^{Ekstraksi Data}

Data mentah (raw), dengan format .xls Data mentah (raw),

dengan format .xls ^{Strukturisasi Data} dengan format .mxml ^{Catatan kejadian} Catatan kejadian

dengan format .mxml ^{Process Mining} ^{Grafik berupa}sociogram Grafik berupa

sociogram ^{Analisis Model}

Hasil berupa alur pelayanan, pola

penyerahan pekerjaan, kontribusi

tiap tenaga medis Hasil berupa alur

pelayanan, pola penyerahan pekerjaan, kontribusi

tiap tenaga medis

Penarikan

Kesimpulan ^{Kesimpulan dari}penelitian Kesimpulan dari

penelitian Tugas Akhir ^Penyusunan ^{Buku Tugas Akhir}

BAB IV PEMODELAN

Pada bab empat ini akan membahas mengenai pengambilan data, strukturisasi data menjadi bentuk event log dan pemodelan hingga menjadi petri net.

Observasi 4.1.

Studi Kasus 4.1.1.

Rumah Sakit (RS) XYZ merupakan salah satu rumah sakit swasta yang terdapat di Surabaya. Salah satu bagian yang ada di rumah sakit ini adalah bagian rawat inap pasien diabetes beserta komplikasinya. Proses perawatan pasien merupakan salah satu aktifitas penting dan utama. Proses perawatan pasien berbeda-beda tergantung penyakit yang dideritanya. Rekam medis perawatan pasien rawat inap diabetes serta komplikasinya di RS XYZ telah direkam dalam Sistem Informasi Manajemen Rumah Sakit dari awal pasien mendaftar hingga pasien telah telah dinyatakan sembuh.

Pengumpulan Informasi 4.1.2.

Hasil yang diperoleh dari pengumpulan informasi akan dijelaskan pada bagian ini. Pengumpulan informasi dilakukan kepada Kepala Bagian Departemen Teknologi Informasi yang berada di RS XYZ. Kegiatan pengumpulan informasi ini dilakukan untuk mengumpulkan informasi mengenai rekam medis pasien diabetes rawat inap.

Hasil pengumpulan informasi dijabarkan sebagai berikut: Rekam medis SIM-RS telah diterapkan sejak lama. Sehingga data yang disimpan dalam SIM-RS sangat banyak. Data yang disimpan dalam Sistem Akademik berupa data yang berhubungan dengan pasien dan proses. Data rekam medis tersebut meliputi data terkait pasien yang sedang dan sudah melalui proses perawatan, kapan pasien tersebut masuk, menjalani proses perawatan, dan siapa saja yang melakukan

proses perawatan terhadap pasien tersebut. Data lain yang disimpan oleh Sistem Akademik adalah nama ruangan tempat rawat inap pasien, nama penyakit yang diderita, dan data lain yang terkait lainnya. Dari SIM-RS didapatkan rekam medis rawat inap diabetes bulan Maret-Mei 2016.

Ekstraksi Data 4.2.

Langkah selanjutnya adalah melakukan pengambilan (ekstraksi) data dari SIM-RS milik RS XYZ. Data yang didapat yaitu data berbentuk file Ms. Excel (.xlsx) yang memiliki kolom pasien_id, kunjungan_id, tgl_act, Kunjungan, tindakan, dokter, petugas_input, dan diagnosa. Beberapa dari kolom tersebut akan digunakan untuk menyusun event log, yaitu data yang mana nantinya memiliki case ID, aktivitas,

resource dan waktu (timestamp). Sehingga dari kebutuhan tersebut diambil data mengenai ID pasien (kolom pasien_id) yang dapat dijadikan sebagai case ID, nama/jenis perawatan pasien (kolom tindakan) yang dapat dijadikan sebagai aktivitas dan timestamp (kolom tgl_act) yang bisa dijadikan waktu. Untuk contoh dari data rekam medis pasien dapat dilihat pada gambar 4.1.

Gambar 4.1 Data Rekam Medis Pasien

Data mengenai rekam medis pasien digunakan untuk membentuk event log yang nantinya digunakan untuk proses pemodelan. Dimana untuk membuat event log perlu dilakukan

strukturisasi data terlebih dahulu dari data mentah menjadi event log.

Strukturisasi Data 4.3.

Sebelum dilakukan pemodelan, data yang telah didapatkan terlebih dahulu dibentuk sesuai dengan yang dibutuhkan. Strukturisasi dilakukan menggunakan software Disco untuk mengubah event log menjadi bentuk file .mxml yang mana siap untuk dilakukan pemodelan menjadi diagram social network.

Software Disco digunakan untuk mengubah bentuk event log menjadi .mxml, dimana di dalam software Disco ini akan ditentukan atribut data event log yang telah dibuat sebelumnya, untuk penentuan atribut dapat dilihat pada gambar 4.2.

Gambar 4.2 Penentuan Atribut pada Software Disco

Penentuan atribut pada software Disco adalah Case ID, Activity, Timestamp, Resource dan Other. Dari data yang telah dimiliki, ID pasien dijadikan sebagai Case ID, nama tindakan terhadap pasien dijadikan sebagai Activity, nama aktor (dokter, perawat dsb) yang terlibat sebagai Resource dan Timestamp yang berupa tanggal, bulan, tahun dan waktu perawatan pasien dijadikan sebagai Timestamp. Untuk kolom ID kunjungan, nama ruangan, nama diagnosa didefinisikan sebagai atribut Others yang nantinya bisa digunakan dalam proses analisis. Setelah dilakukan penentuan atribut klik pada

tombol Start Import sehingga yang dihasilkan adalah model seperti pada gambar 4.3.

Gambar 4.3 Model Hasil Software Disco

Dari gambar tersebut akan digambarkan urutan tindakan pasien dengan melihat timestamp yang telah didefinisikan sebelumnya. Dalam software Disco ini juga dapat dilihat detail dari data yang dimiliki, misalnya seperti Overview/Statistik seperti pada gambar 4.4. dan Variant 4.5.

Gambar 4.4 Tampilan Overview Software Disco

Gambar 4.5 Tampilan Variant Software Disco

Pada bagian Overview, dapat dilihat gambaran besar serta data statistik terhadap event log yang dipakai, misal jumlah event, case, total durasi. Sedangkan pada bagian Variant, dapat dilihat berapa variasi langkah/alur yang ada dari sekian banyak kasus yang terdapat pada event log. Tiap-tiap variasi memiliki beberapa kasus yang memiliki alur yang sama. Keduanya (Variant dan Overview) dapat digunakan sebagai informasi tambahan jika diperlukan pada analisis tertentu.

Process Mining 4.4.

Bagian ini menjelaskan mengenai penggalian proses yang dilakukan menggunakan data .mxml yang dihasilkan dari

proses strukturisasi data. Penggalian proses akan dilakukan menggunakan software ProM 5.2 yang akan menghasilkan model berupa diagram social network dan menggunakan ProM 6.5.1 untuk mengahsilkan model berupa petri net. Model yang dihasilkan nantinya akan diuji menggunakan uji fitness.

Pemodelan Petri Net 4.4.1.

Proses pemodelan petri net dilakukan dengan menggunakan software ProM 6.5.1 melalui langkah-langkah sebagai berikut:

a. Import data .mxml yang merupakan hasil export dari software Disco. Menu import terdapat pada sisi kanan atas ProM. Setelah memilih file yang akan digunakan, akan muncul pilihan jenis plugin yang akan dipakai. Untuk tampilan jendela import pada ProM 6.5.1 dapat dilihat pada gambar 4.6

Gambar 4.6 Jendela Import ProM 6.5.1

b. Klik tombol dengan gambar tanda panah untuk memulai. Pilih pemodelan petri net menggunakan algoritma Inductive Miner dengan memilih plug-in “Mine Petri net with Inductive Miner” lalu klik Start. Untuk tampilan jendela pemilihan plug-in dapat dilihat pada gambar 4.7.

Gambar 4.7 Jendela Pemilihan Plug-in ProM 6.5.1 c. Pilih pengaturan seperti algoritma inductive miner

dengan tipe tertentu dan noise threshold. Dalam tugas akhir ini dipilih Algoritma Inductive Miner – Infrequent dan noise sebesar 0,20. Untuk pemilihan tipe Inductive Miner dapat dilihat pada gambar 4.8.

Gambar 4.8 Jendela Pemilihan Tipe Inductive Miner d. Maka akan ditampilkan model petri net dari data

.mxml yang dipilih. Dalam penelitian tugas akhir ini akan dilakukan pemodelan hanya satu model. Untuk masing-masing model petri net setiap angkatan dapat dilihat pada lampiran A

Pengujian Fitness Model 4.4.2.

Proses pengujian untuk model yang telah dibuat adalah uji fitness. Uji fitness dilakukan untuk melihat apakah model sudah menggambarkan apa yang ada di event log dengan benar atau belum. Uji fitness dilakukan menggunakan software ProM 6.5.1. Cara untuk melakukan pengujian fitness adalah:

a. Pilih petri net yang telah selesai dibuat yang akan diuji fitness-nya. Klik ikon tanda panah.

b. Pilih Plug-in Replay Log on Petri Net for Conformance Analysis seperti pada gambar 4.9.

Gambar 4.9 Jendela Pemilihan Plug-in pada ProM 6.5.1 c. Setelah itu masukkan log dari model tersebut

dalam kolom input seperti pada gambar 4.10. kemudian klik Start.

Gambar 4.10 Kolom Input Model dan Event Log d. Maka akan muncul tampilan seperti pada gambar

4.11.

Gambar 4.11 Hasil dari Replay a log for Conformance Analysis

Dalam hasil tersebut, akan terdapat window inspector yang menampilkan legend yang berisi nilai fitness model, fitness log dan fitness log yang berjalan dalam model. Contoh hasil legend dapat dilihat pada gambar 4.12.

Gambar 4.12 Hasil Fitness ProM 6.5.1

Dalam gambar 4.13 dapat dilihat bahwa aktifitas Administrasi memiliki adanya perbedaan, di mana angka menunjukkan 43/8 dimana 43 adalah jumlah aktifitas yang berjalan sinkron antara model dan log yang ada sedangkan 8 adalah jumlah aktifitas yang berjalan hanya dalam log. Hal ini disebabkan karena algoritma tidak bisa memodelkan log. Hal ini yang mengakibatkan fitness untuk trace yaitu sinkronisasi antara jalannya case pada log dan model.

Gambar 4.13 Contoh Hasil Conformance Checking

Dari hasil tersebut, dapat diketahui bahwa model memiliki nilai fitness di atas 0,9. Nilai 0,9 ini mendekati nilai maksimal yaitu1,0 yang mana dapat berarti bahwa Petri net yang terbuat sudah sangat sesuai dalam memodelkan event log. Karena Petri net yang terbuat sudah dianggap sesuai maka dapat dilanjutkan ke tahap berikutnya yaitu tahap analisis.

Pemodelan Diagram Social 4.4.3.

Network

Untuk membuat model diagram social network, dilakukan dengan menggunakan software ProM 5.2 dengan langkah-langkah sebagai berikut:

a. Import data .mxml yang merupakan hasil dari software Disco. Untuk tampilan jendela import pada ProM 5.2 dapat dilihat pada gambar 4.14.

Gambar 4.14 Jendela Import ProM 5.2

b. Pilih file .mxml yang akan dilakukan pemodelan diagram social network lalu pilih Open. Berikutnya akan muncul tampilan sekilas informasi terhadap event log tersebut seperti pada gambar 4.15.

Gambar 4.15 Jendela Informasi Event Log pada ProM 5.2 c. Klik tombol “start analyze this log” untuk memulai.

Akan muncul daftar plugin yang tersedia pada ProM 5.2 ini. Pilih pemodelan social network menggunakan algoritma “Social Network Miner”. Untuk tampilan jendela pemilihan plug-in dapat dilihat pada gambar 4.16.

Gambar 4.16 Jendela Pemilihan Plugin pada ProM 5.2 d. Pilih pengaturan metric terhadap diagram social

network yang aakan dibuat. Dalam tugas akhir ini dipilih Handover of Work metric. Untuk pemilihan tipe Social Network Miner dapat dilihat pada gambar 4.17

Gambar 4.17 Jendela Pemilihan Metric Social Network Miner

e. Maka akan ditampilkan diagram social network dari data .mxml. Dalam penelitian tugas akhir ini akan dilakukan pemodelan sebanyak 2 model, yaitu dengan menggunakan Handover of Work Metric yang mempertimbangkan causality dan yang tidak

mempertimbangkan causality. Untuk hasil diagram social network dilihat pada lampiran B.

Pengujian Fitness Model 4.4.4.

Proses pengujian untuk model yang telah dibuat adalah uji finess. Sama halnya dengan petri net, uji fitness dilakukan untuk melihat apakah model sudah menggambarkan apa yang ada di event log atau belum. Berbeda dari uji fitness untuk petri net, uji fitness dilakukan menggunakan software ProM 5.2. Cara untuk melakukan pengujian fitness adalah:

a. Pilih event log yang akan dipakai.

b. Pilih file .mxml dari event log yang dipakai dibuat untuk dibuat diagram social network-nya. Lalu dilakukan perhitungan dan pemodelan log menggunakan ProM 5.2.

c. Untuk pengujian fitness kali ini menggunakan metric „Handover of Work‟ dengan ketentuan: tidak memperhatikan causality, tidak memperhatikan multiple transfer, dan mempertimbangkan direct succession. Untuk pemilihan metric dan ketentuan lainnya pada ProM 5.2 dapat dilihat pada gambar 4.18.

Gambar 4.18 Pengaturan Handover of Work

d. Setelah keluar hasil perhitungan seperti pada gambar 4.19, maka selanjutnya dilakukan perhitungan manual atas event log yang dipakai sesuai metric yang digunakan.

Gambar 4.19 Nilai Handover of Work Metric Social Network Miner

e. Lakukan pencocokan antara hasil nilai dari perhitungan manual dan perhitungan oleh ProM 5.2. Perhitungan manual dilakukan menggunakan metric dan pengaturan yang sama dengan ProM 5.2. Hasil perhitungan manual dapat dilakukan di Ms. Excel seperti pada gambar 4.20.

Gambar 4.20 Hasil Perhitungan Manual

Sebagai contoh perhitungan manual, diambil perhitungan antara A kepada Ari. Pada event log contoh yang berisi 4 case, terdapat total penyerahan pekerjaan langsung (direct

succession) tanpa memperhatikan alur pekerjaan (causality) sejumlah 121. Kemudian dihitung total penyerahan pekerjaan langsung dari A ke Ari, yang mana didapat totalnya adalah 5. Sehingga dapat dilakukan perhitungan nilai, didapat 5/121 = 0,041322.

Dari kedua hasil tersebut, yaitu dari hasil perhitungan oleh ProM 5.2 dan perhitungan manual, akan dilakukan pencocokan untuk tiap-tiap sel yang memiliki nilai. Setelah dilakukan pencocokan keduanya, didapat bahwa nilai dari perhitungan oleh ProM 5.2 dan nilai dari perhitungan manual

ternyata sama. Oleh karena itu dapat dinyatakan bahwa model yang dihasilkan oleh ProM 5.2 sudah sesuai (cocok) sehingga dapat dilanjutkan ke tahap berikutnya yaitu analisis.

BAB V

Dalam dokumen Analisis Pola Hubungan Kerja Antar Tenaga Medis Dalam Melayani Pasien Diabetes Pada Rawat Inap Rs Xyz Menggunakan Teknik Process Mining (Halaman 39-60)